• Navigation überspringen
  • Zur Navigation
  • Zum Seitenende
Organisationsmenü öffnen Organisationsmenü schließen
Friedrich-Alexander-Universität Lehrstuhl für Informatik 6 CS6
  • FAUZur zentralen FAU Website
  1. Friedrich-Alexander-Universität
  2. Technische Fakultät
  3. Department Informatik
Suche öffnen
  • English
  • Impressum
  • Datenschutz
  • Barrierefreiheit
  1. Friedrich-Alexander-Universität
  2. Technische Fakultät
  3. Department Informatik
Friedrich-Alexander-Universität Lehrstuhl für Informatik 6 CS6
Menu Menu schließen
  • Lehrstuhl
    • Aktuelles
    • Über uns
    • Personen
    • Kontakt
    Hauptseite Lehrstuhl
  • Forschung
    • Evolutionäre Informationssysteme
      • Open and Collaborative Query-Driven Analytics
      • Data Driven Relationship Discovery in Large Time Series Datasets
      • Processing Heterogeneous Assets and Resources to discover Ontologies and Semantics
      • Sprechaktbasiertes Fallmanagement
      • Schemainferenz und maschinelles Lernen
    • Datenqualität
      • DQ-Step – Improvement of data quality at a reference enterprise in plant engineering
      • Datenqualität und Innovationsfähigkeit von Medizinprodukten
    • Datenintegration
      • Open and Collaborative Query-Driven Analytics
      • Processing Heterogeneous Assets and Resources to discover Ontologies and Semantics
      • Schemainferenz und maschinelles Lernen
      • DQ-Step – Improvement of data quality at a reference enterprise in plant engineering
    • Prozessmanagement
      • Sprechaktbasiertes Fallmanagement
    • Datenbanksysteme
      • Know Your Queries!
      • REAPER: A Framework for Materializing and Reusing Deep-Learning Models
      • SKYSHARK – Benchmarking von Datenanalysesystemen mit Echtzeit-Flugdaten
      • Architektur von Nicht-Multiplen Autoencodern mit Nicht-Verlustbehafteter Informations-Agglomeration
      • Schemainferenz und maschinelles Lernen
      • Bewertung von Datenspeichersystemen
      • Erzeugung von Symboltabellen für die Komprimierung von Zeichenketten mit Hilfe von Frequent-Substring Trees
      • Anfrageoptimierung und Daten-nahe Verarbeitung auf Rekonfigurierbaren SoCs für Big-Data-Analyse
      • Query-Optimierung und Near-Data-Processing auf rekonfigurierbaren SoCs für Big Data Analyse (Phase II)
    • Datenstromsysteme
      • Data Stream Application Manager
      • SKYSHARK – Benchmarking von Datenanalysesystemen mit Echtzeit-Flugdaten
      • Systemübergreifende Optimierung von Datenstromanfragen
    • Datenmanagement in den Digital Humanities
      • Campusnetzwerk Digitale Geistes- und Sozialwissenschaften
      • Franken in historischen Reiseberichten
    • Moderne Datenbanksysteme
      • Pufferverwaltung und Datenzugriff
    Hauptseite Forschung
  • Lehre
    • Lehrveranstaltungen
    • Curriculum
    • Examensarbeiten
    • Prüfungsinformationen
    Hauptseite Lehre

Lehrstuhl für Informatik 6

Datenmanagement

Bereichsnavigation: Forschung
  • Abgeschlossene Forschungsprojekte
  • Veröffentlichungen
  • Evolutionäre Informationssysteme
  • Datenqualität
  • Datenintegration
  • Prozessmanagement
  • Datenbanksysteme
    • Architektur von Nicht-Multiplen Autoencodern mit Nicht-Verlustbehafteter Informations-Agglomeration (Arbeitstitel, noch vorläufig)
    • Data Stream Application Manager
    • Know Your Queries!
    • REAPER: A Framework for Materializing and Reusing Deep-Learning Models
    • SKYSHARK - Benchmarking von Datenanalysesystemen mit Echtzeit-Flugdaten
    • Architektur von Nicht-Multiplen Autoencodern mit Nicht-Verlustbehafteter Informations-Agglomeration
    • Schemainferenz und maschinelles Lernen
    • Bewertung von Datenspeichersystemen
    • Erzeugung von Symboltabellen für die Komprimierung von Zeichenketten mit Hilfe von Frequent-Substring Trees
    • Anfrageoptimierung und Daten-nahe Verarbeitung auf Rekonfigurierbaren SoCs für Big-Data-Analyse
    • Query-Optimierung und Near-Data-Processing auf rekonfigurierbaren SoCs für Big Data Analyse (Phase II)
  • Datenstromsysteme
  • Datenmanagement in den Digital Humanities
  • Pufferverwaltung und Datenzugriff
  • Moderne Datenbanksysteme

Architektur von Nicht-Multiplen Autoencodern mit Nicht-Verlustbehafteter Informations-Agglomeration (Arbeitstitel, noch vorläufig)

Architektur von Nicht-Multiplen Autoencodern mit Nicht-Verlustbehafteter Informations-Agglomeration

(Projekt aus Eigenmitteln)

Titel des Gesamtprojektes:
Projektleitung: Klaus Meyer-Wegener
Projektbeteiligte: Dominik Probst
Projektstart: 2. Januar 2020
Projektende: 19. September 2022
Akronym: ANANIA
Mittelgeber:
URL:

Abstract

Die Kompression von Daten spielt im Datenmanagement nicht erst seit Kurzem eine entscheidende Rolle. Komprimierte Daten lassen sich platzsparender dauerhaft ablegen und effizienter über das Netzwerk versenden. Durch die ständig steigenden Datenmengen erhöht sich die Wichtigkeit guter Kompressionsverfahren jedoch immer weiter.Im Rahmen von Projekt Anania (Architektur von Nicht-Multiplen Autoencodern mit Nicht-Verlustbehafteter Informations-Agglomeration) erforschen wir, inwiefern klassische Kompressionsverfahren in relationalen Datenbanken über Verfahren aus dem maschinellen Lernen ergänzt und verbessert werden können.Im Fokus des Projektes stehen Autoencoder, die bei tupelweiser Anwendung semantische Zusammenhänge in Relationen erkennen können und so eine weitere Verbesserung bei der Kompression von relationalen Daten versprechen. Auch bilden Kombinationen von Autoencodern und klassischen Kompressionsverfahren einen möglichen Betrachtungsschwerpunkt des Projektes.Randbemerkung: Der Name des Projektes "Anania" wurde in Anlehnung an den Schmetterling "Anania funebris" gewählt. Ein Autoencoder erinnert in seiner stilisierten Form stark an die Silhouette eines Schmetterlings mit ausgebreiteten Flügeln, wodurch die Wahl dieses Akronyms passend erschien.

Publikationen

    Lehrstuhl für Informatik 6 (Datenmanagement)
    Friedrich-Alexander-Universität Erlangen-Nürnberg

    Martensstraße 3
    91058 Erlangen
    • Kontakt
    • Impressum
    • Datenschutz
    • Barrierefreiheit
    • Facebook
    • RSS Feed
    • Xing
    Nach oben